The notes on Evolutionary computation in complex continuous optimization

1 复杂连续优化问题

优化作为一项关键任务，在众多领域中频繁出现。对于结构简单的优化问题，人们通常采用试错的方式尝试多种可能的解决方案。然而，随着社会和经济的持续进步，所面临的挑战日益复杂，传统的试错方法已难以满足需求。因此，基于数学理论与计算机技术的支持性优化手段逐渐兴起。其中，进化计算（Evolutionary Computation, EC）作为一种高效的全局优化工具，在多个优化问题中得到了广泛应用。EC技术最早可追溯至20世纪60年代，当时提出了用于解决全局优化问题的进化算法（Evolutionary Algorithms, EA），包括遗传算法（GA）、进化规划（EP）、进化策略（ES）以及遗传规划（GP）。这些算法通过模仿生物进化的机制及自然选择规律来实现对问题的求解。自20世纪90年代起，一些新的优化方法相继出现，如差分进化（DE）和分布估计算法（EDA），它们也被归类为EA的一种形式。除了EA之外，在同一时期还发展出了一些模拟蚂蚁、鸟类等群体行为特征的智能优化技术，例如蚁群算法（ACO）和粒子群算法（PSO），这类方法通常被称为群智能算法（Swarm Intelligence, SI）。目前来看，EC的主要分支涵盖EA与SI，并且自20世纪90年代以来取得了快速的发展。

尽管进化计算已被广泛应用于各类全局优化问题之中，但近年来不断涌现的新挑战也对这一